一种基于双目摄像机和车底阴影的前方车辆检测方法与流程

本发明涉及计算机视觉领域，尤其涉及到一种基于双目摄像机和车底阴影的前方车辆检测方法。

背景技术：

在基于计算机视觉的车载辅助驾驶系统中，对道路前方车辆的检测有着非常广泛的应用。但目前依然存在检测效果不理想等问题，使其应用受到很大的限制。

基于前方车辆车底阴影来实现车辆检测是一种常用方法；但因受到光照和环境的影响，车底阴影很不容易和道路、车辆本身等区分开，导致对车底阴影的检测很容易出现误检；尽管可以在后续处理过程中使用其他方法来弥补，但是也不能完全消除这些误检。

使用双目摄像机可以从两个角度同时捕获前方车辆的图像，通过差分算法则很容易去掉道路、车辆本身对车底阴影检测的干扰，具有较好的应用效果和潜力。

技术实现要素：

本发明提供了一种基于双目摄像机和车底阴影的前方车辆检测方法，通过布置双目摄像机检测以及交叉验证等技术，可提升对前方车辆检测效果。

一种基于双目摄像机和车底阴影的前方车辆检测方法，其特征在于，包括以下步骤。

步骤1，使用双目摄像机同时获取前方车辆的实时视频，对其提取视频图像，获得左图像和右图像。

步骤2，对左右图像做差分操作，得到差分图像。

步骤3，用二值化处理方法差分图像进行处理，得到二值图像。

步骤4，使用滤波方法对二值图像进行处理，得到滤波图像。

步骤5，使用形态学开运算对滤波图像进行处理，得到轮廓图像。

步骤6，对轮廓图像计算闭合轮廓，根据其位置形状大小，得到候选车辆阴影轮廓。

步骤7，根据候选车辆阴影轮廓，初步确定候选车辆区域。

步骤8，在左图像中利用分类器验证各候选车辆区域是否是车辆。

步骤9，在右图像中进行交叉验证，最终确定前方车辆所在的区域。

所述双目摄像机，是指按水平方向布置并构成双目系统的双摄像机系统。

所述车辆为在道路上行驶的机动车，一般具有较大的占地面积，在通常情况下行驶时车底阴影清晰可见。

所述步骤2，包括：

左图像和右图像的图像尺寸和大小相同；

所述对左右图像做差分操作，是指左右图像对应点像素值直接相减，得到差分图像。

所述步骤3，包括：

二值化处理方法可以使用阈值分割方法，如otsu（大津法），这是一种自适应阈值分割法；也可以使用双阈值分割以及其他方法。

所述步骤4，包括：

滤波方法可以选用中值滤波方法，它是一种简单有效的噪声去除方法，在去除孤立细小毛刺的同时，保留了轮廓的完整性；也可以使用均值滤波以及其他方法。

所述步骤5，包括：

形态学开运算是计算机图像处理的一种形态学方法，其主要思想是对图像进行先腐蚀后膨胀的操作。

所述步骤6，包括：

利用闭合轮廓检测算法，在轮廓图像中检测出所有闭合轮廓；

计算所有闭合轮廓的外接矩形，外接矩形的中心设定为轮廓中心；

在图像中设定一个方形或梯形的检测区域，轮廓中心在该检测区域外的轮廓直接去除；

计算闭合轮廓在左图像或右图像中对应区域的平均灰度值，大于设定的阈值时直接去除；

设定一个矩形大小范围和长宽比范围；外接矩形不满足大小范围和长宽比范围时，直接去除；

计算闭合轮廓及其外接矩形的7个hu不变矩，并计算与标准车辆阴影矩形轮廓之间的距离；距离大于给定阈值时直接去除；

通过上述筛选，留下的轮廓是最终的候选车辆阴影轮廓。

所述步骤7，包括：

根据先验知识，考虑到图像中车底阴影的上方就是车辆，将车底阴影按比例向上方扩大，形成候选车辆区域；

所述候选车辆阴影轮廓，指图像中可能是车辆阴影的轮廓；

所属候选车辆区域，指图像中可能是车辆的区域。

所述步骤8，包括：

可以使用基于harr-like特征的adaboost分类器，确定上述候选车辆区域中是否有车辆；

haar-like特征可以反映图像在特定方向上的灰度变化特征，可以很好地描述车辆这类刚性物体；adaboost分类器是一种级联分类器，将多个简单的弱分类器级联组合成为强分类器，能保证高检出率的同时有低误检率；

使用基于harr-like特征的adaboost分类器时需要预先进行训练，才能使用；

也可以使用其他分类器来检测上述候选车辆区域中是否有车辆。

所述步骤8，还包括：

也可以先在右图像中进行候选区域车辆检测，相应地步骤9是在左图像中进行交叉验证。

所述步骤9，包括：

针对右图像的交叉验证，是指若在左图像中候选车辆区域检测到车辆后，还需要在右图像中对应候选车辆区域检测是否有车辆；

可以在左右候选区域进行特征点检测和匹配，以确定是同一车辆。

步骤2的主要目的是获取双目差分图像。双目摄像机在得到左右图像时，由于拍摄的同步性，使得两幅图像仅仅存在视角差异；由于这些视角差异，使得差分图像相比于原始图像，可以较好地突出对应位置像素值差异较大的区域，而相同或相似的区域则会被去除，因此在差分操作后，前方视景中将突显出图像中的轮廓特征，车底阴影作为其中一个重要的轮廓也将被显示出来。

步骤3-5的目的是根据差分图像获取车底阴影轮廓。对差分图像的阈值分割，可去除多余的轮廓信息和部分细小的毛刺、噪声，车底阴影区域将更加明显；对二值图像进行滤波处理可以使图像更加平滑，且可进一步去除图像中的毛刺、噪声；开运算可删除图像中一些不包含结构元素的轮廓，断开狭窄轮廓，可去掉细小的突出部分，从而得到较为平滑的轮廓图像。

步骤6的主要目的是去除所有的多余轮廓。主要通过车辆及其阴影的先验知识；

车底阴影的轮廓一定是一个闭合轮廓，因此去掉所有的非闭合轮廓；

根据摄像机视角，前方车辆的阴影只可能出现在图像中的某个区域内，通过区域的划设可以去掉轮廓特征明显但不会是车底阴影的轮廓，比如建筑物和标志牌等；

考虑到车底阴影区域在图像中偏黑，其灰度值偏小，设置计算区域平均灰度值阈值设置可以去除一些高亮度区域；

考虑到车底阴影的大小和长宽比，过大或过小的区域都可能是误检，通过轮廓外接矩形的大小和长宽比计算，可以剔除一些尺寸不符合车底阴影特点的区域；

考虑到车底的阴影形状接近于矩形，考虑到hu不变矩对尺度变化、旋转以及平移性具有不变性，可以用来候选轮廓与其外接矩形的相似度，从而去掉外接矩形不规则的轮廓。

所述步骤7-9的目的是获取候选车辆区域，并对其进行了初步验证和交叉验证。

本发明通过双目摄像机，获得前方车辆两个视角的图像；差分运算去掉了相似区域保留了不同区域，前方车辆阴影将作为明显的轮廓得以显现；通过二值化和滤波和形态学运算，可以去除毛刺和噪声；根据闭合轮廓计算以及轮廓的形状、大小、位置等先验知识，可以剔除绝大部分干扰，得到候选车辆阴影轮廓，并得到候选车辆区域；使用基于haar-like特征的adaboost分类器可以检测出该区域是否有车辆；使用交叉验证可更进一步减少误检，最终确认前方车辆所在的区域。

附图说明

图1为本发明系统总体流程图；

图2为检测区域设置示意图；

图3为标准车辆阴影矩形轮廓示意图；

图4为车辆阴影扩展到车辆区域示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施的技术方案进行清楚、完整地描述。

本发明提供一种基于双目摄像机和车底阴影的前方车辆检测方法，包括5个步骤。

步骤1，使用双目摄像机同步获取图像，得到差分图像；

图像大小可使用640*480分辨率；本实施例后续参数均针对该分辨率；其他分辨率可以类推；

可对左图像和右图像分别进行对比度和亮度调整，使其基本一致；

得到差分图像是指对左右图像做差分操作，即左右图像对应点像素值直接相减，得到差值图；差值图中小于0的部分，可以直接置0，也可以取其绝对值，得到差分图像；

差分操作时，可用左图像减右图像，也可用右图像减左图像。

步骤2，对差分图像进行二值化、滤波、形态学等处理，得到轮廓图像；

二值化处理方法可以使用阈值分割方法，如otsu（大津法），这是一种自适应阈值分割法；也可以使用双阈值分割以及其他方法；

滤波处理可以选用中值滤波方法，它是一种简单有效的噪声去除方法，中值滤波可以使用3x3模板；也可以使用均值滤波以及其他方法；

形态学处理可以使用形态学开运算，即对图像进行先腐蚀后膨胀的操作，开运算的参数可设为：采用默认锚点位置、尺寸大小为(10,6)的矩形内核。

步骤3，根据轮廓闭合以及轮廓的位置、形状和大小，确定候选车辆阴影轮廓，并确定候选车辆区域；

轮廓闭合检测可以采用常规的轮廓闭合算法，如opencv中的cvfindcontours函数以及cv_retr_external参数，以便只检测最外围轮廓；

轮廓的位置计算指计算闭合轮廓的外接矩形，将外接矩形的中心设定为轮廓中心。

可根据以下规则去除多余的轮廓：

在图像中设定一个方形或梯形的检测区域，如设置整个图像的下方2/3区域，轮廓中心在该检测区域外的轮廓直接去除，如图2所示；

设定一个矩形大小范围和长宽比范围；外接矩形不满足大小范围和长宽比范围时，直接去除；根据经验，矩形的像素大小范围为：宽度[30,200]，高度[10,200]，长宽比范围为[2,6]；如宽度小于30像素高度小于10像素的轮廓、长宽比小于2或者大于6的轮廓都会被去除；

闭合轮廓的hu不变矩可使用常规的求解算法，如使用opencv中的humoments函数可计算7个hu不变矩；

标准车辆阴影矩形轮廓是包含一个640*480的二值图片，里面包含一个200*50、线宽为2的矩形，如图3所示；计算该图片的轮廓及其7个不变矩；

计算与标准车辆阴影轮廓（矩形）不变矩之间的距离；距离计算公式如下：

其中，mai和mbi分别为a、b两个的七个不变矩的值，m(a,b)为a，b轮廓的距离；

距离大于给定阈值时直接去除；该阈值可设为2.15。

通过上述筛选，留下的轮廓是最终的候选车辆阴影轮廓；

将该阴影区域宽度的4/3倍作为车辆候选区域的宽度及高度，即车辆候选区域是边长为4/3阴影区域宽度的正方形；

车辆的底部一般位于车辆阴影处，车辆候选区域将车辆阴影区域作为下边界，向图像上方对称扩展，如图4所示。

步骤4，对左图中的候选车辆区域，用分类器进行验证，检测该区域是否存在车辆；

可以使用harr-like和adaboost分类器，确定上述候选车辆区域中是否有车辆；

haar-like特征可以反映图像在特定方向上的灰度变化特征，可以很好地描述车辆这类刚性物体；adaboost分类器是一种级联分类器，将多个简单的弱分类器级联组合成为强分类器，能保证高检出率的同时有低误检率；

使用harr-like和adaboost分类器时需要预先进行训练，才能使用；

一般情况下的训练样本参数可设置为：分类器器层数为20层，分类器每一层的最小检测率为0.999，分类器每一层的最大误检率为0.5，每一层的正样本数为3000，负样本数为5000，并且图片大小为20*20，使用特征为haar特征的基本模型；如opencv中使用cvbooststarttraining函数的对应参数对应为：numstages=20，minhitrate=0.999，maxfalsealarmrate=0.5，numpos=3000，numneg=5000，w=20，h=20，mode=basic，featuretype=haar；

也可以使用其他分类器来检测上述候选车辆区域中是否有车辆。

步骤5，在右图中对应区域进行交叉验证，最终确定前方车辆所在区域；

针对右图像的交叉验证，是指若在左图像中候选车辆区域检测到车辆后，还需要在右图像中对应候选车辆区域检测是否有车辆；

是否为同一车辆，可以在左右候选区域进行特征点检测和匹配，若特征点匹配率达到80%以上，确定是同一车辆。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；或者修改各个步骤的使用顺序，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；本发明各种阈值及范围的取值，也会因为装置具体的参数不同而有所改变。